Modelo Híbrido de Aprendizagem Profunda para a Detecção da Doença da Ferrugem Amarela do Trigo

Deepak Kumar é professor na Escola de Engenharia e Tecnologia (Ciências Aplicadas), Instituto Internacional de Investigação e Estudos Manav Rachna (MRIIRS), Índia.Sandhya Singh tem um doutoramento em Matemática pelo MRIIRS, Índia.Pooja Khurana é Professora Associada na Escola de Engenharia e Tecnologia (Ciências Aplicadas), MRIIRS, Índia.

Em muitas regiões do mundo, a qualidade do trigo e as perdas de rendimento foram aumentadas devido às doenças da ferrugem do trigo. A identificação da doença da ferrugem amarela juntamente com a percentagem de tecidos danificados pela doença da ferrugem em termos de níveis de gravidade é muito importante e normalmente é conseguida através de avaliadores experientes ou de técnicas de visão por computador. Com a ajuda de técnicas de visão por computador, o custo e o tempo devem ser minimizados. Este estudo apresenta um modelo de classificação para a ferrugem amarela do trigo com diferentes níveis de gravidade da doença. É alcançado através de STARGAN e Convolutional neural network (CNN). O STARGAN é proposto neste estudo para aumento de dados. Após a realização de vários experimentos com parâmetros como diferentes épocas, tamanhos de lotes, taxa de aprendizado e taxa de abandono, este estudo atinge uma precisão de classificação de 94,07% para classificar a ferrugem amarela do trigo da planta normal do trigo. Durante a medição da gravidade, a CNN alcançou uma precisão de validação de 94,3% de ferrugem amarela do trigo em alto nível de gravidade.